استخدام الذكاء الاصطناعي لتحسين إنتاجية الدواجن

تواجه صناعة الدواجن تحدياتٍ مُتنوعة، مثل نقص العمالة، وتفشي الأمراض، ومشاكل رعاية الدواجن التي قد تؤثر سلبًا على الإنتاجية والربحية. وقد طُرحت حلولٌ تكنولوجية، مثل الذكاء الاصطناعي، لمواجهة هذه التحديات وتلبية الطلب المتزايد على لحوم الدواجن. وتُعدّ رفاهية الحيوان ورعايته عنصرين أساسيين في التربية المستدامة للحيوانات، إلا أن الأساليب التقليدية قد تُقصّر في معالجة مختلف الظروف الصحية، والأمان والسلامة، والسلوكية، ومستويات التوتر. ولحسن الحظ، من المتوقع أن تُحسّن تقنيات الذكاء الاصطناعي رعاية الحيوان وإنتاجيته، مما يُمهد الطريق لمستقبلٍ مُحتمل تُحسّن فيه الأنظمة المُستقلة جميع جوانب تربية الدجاج وتجهيزه.
يستخدم الذكاء الاصطناعي في جمع البيانات غير المنظمة (مثل الصور والفيديو والصوت) والمنظمة (مثل النصوص)، وتحليلها، ومعالجتها، والتعرف عليها، ونمذجتها، والتي يمكن أن تتعلق بسلوك الحيوان، ورفاهيته، وأمراضه، وإدارة البيئة.
على سبيل المثال، يمكن استخدام الصور المرئية، والفيديو، والبيانات الصوتية لتتبع مواقع الحيوانات. وفي تربية الدواجن، يُساعد الكشف المبكر عن الأمراض والتدخل الفوري في منع تفشيها وتحسين سلامة الغذاء. كما يُمكن مراقبة راحة الجسم، ومستويات التوتر، ومعايير جودة الهواء، مثل مستويات ثاني أكسيد الكربون والأمونيا، أن تُحسّن من رفاهية الدواجن. لذلك، يُمكن بتطبيق أنظمة الذكاء الاصطناعي وإنترنت الأشياء أن يُساعد في إدارة مزارع الدواجن ومراقبتها بكفاءة أكبر.
تتناول الأجزاء التالية مزرعة الدواجن المستقبلية وتشرح كيف ستجعلها الأتمتة الذكية ممكنة.
الإحتياجات البيئية
تُعد الإحتياجات البيئية بالغة الأهمية لضمان صحة الدواجن ورفاهيتها وإنتاجيتها. تشمل هذه الإحتياجات درجة الحرارة والرطوبة والإضاءة والتهوية وجودة الهواء. يجب التحكم في مستويات درجة الحرارة والرطوبة ومراقبتها بعناية، مع إجراء التعديلات المناسبة بناءً على عمر الطائر ونوعه. ويجب تحسين ظروف الإضاءة لتوفير فترة ضوئية مناسبة لمراحل الإنتاج المختلفة. في الوقت نفسه، يجب تصميم أنظمة التهوية وصيانتها بشكل مناسب لتوفير تبادل هواء كافٍ ومنع تراكم الغازات الضارة. كما تُعد جودة الهواء بالغة الأهمية، حيث يمكن أن يؤدي سوء التهوية إلى ارتفاع نسبة الأمونيا والغازات الضارة الأخرى، مما يؤثر سلبًا على صحة الطيور التنفسية.
يمكن للذكاء الاصطناعي أن يكون حاسمًا في إدارة هذه المتطلبات البيئية من خلال رصد وتحليل البيانات من أجهزة الاستشعار ومصادر أخرى. على سبيل المثال، يمكن لخوارزميات الذكاء الاصطناعي التنبؤ باتجاهات درجة الحرارة والرطوبة، وتحديد مناطق ضعف التهوية، ومراقبة مستويات جودة الهواء. يمكن بعد ذلك استخدام هذه المعلومات للتكيف مع الظروف البيئية والوقاية من المشاكل الصحية قبل ظهورها. كما يمكن للذكاء الاصطناعي أن يساعد في تحسين كفاءة الإنتاج من خلال توفير رؤى حول استهلاك الأعلاف، ومعدلات النمو، ومعدلات النفوق.
الحرارة
أثبتت تقنية التصوير الحراري بالأشعة تحت الحمراء فعاليتها في التحكم في درجة الحرارة المحيطة في مزارع الدواجن، مع ضمان سلامة الطيور. يُعد الإجهاد الحراري مشكلةً حرجةً يمكن أن تؤثر سلبًا على صحة الدواجن ومناعتها، مما قد يؤدي إلى معدلات نفوق عالية. تُعدّ تقنية التصوير الحراري بالأشعة تحت الحمراء (IRTI) طريقةً غير جراحية لقياس درجة حرارة سطح الجسم وتحديد بداية الحمى، وهي علامة مبكرة على المرض. كما تُظهر هذه التقنية درجات حرارة الجسم المختلفة بألوان مميزة، مما يُسهِّل مراقبة تغيرات درجة حرارة الطيور. بالإضافة إلى ذلك، يُمكن لدرجة حرارة سطح الوجه قياس درجات الإجهاد الحراري وتوفير معلوماتٍ أكثر عن حالة الطيور مقارنةً بدرجة الحرارة المحيطة. لهذه التطورات التكنولوجية آثارٌ كبيرة على تحسين سلامة وإنتاجية مزارع الدواجن (الشكل 1).
الرطوبة
تُعد الرطوبة عاملاً بيئياً أساسياً في تربية الدواجن، إذ تؤثر بشكل كبير على صحة الطيور وأدائها. تُسهم مستويات الرطوبة العالية في نمو الكائنات الدقيقة الضارة، مثل البكتيريا والفطريات، مما قد يُسبب مشاكل تنفسية ومشاكل صحية أخرى لدى الدواجن. من ناحية أخرى، يُمكن أن تُسبب مستويات الرطوبة المنخفضة الجفاف والإجهاد، مما يُؤدي إلى انخفاض معدل النمو وإنتاج البيض. يُعد الحفاظ على مستويات الرطوبة المُثلى في عنابر الدواجن أمراً ضرورياً لضمان صحة الطيور وإنتاجيتها.
تُعدّ أنظمة التهوية إحدى طرق التحكم في مستويات الرطوبة في عنابر الدواجن. فالتهوية الجيدة تُساعد على إزالة الرطوبة الزائدة من الهواء، مما يُقلل من مستويات الرطوبة ويمنع نمو الكائنات الدقيقة الضارة. بالإضافة إلى ذلك، يُمكن أن يُساعد استخدام المواد الماصة، من الفرشة والأرضيات، في التحكم في مستويات الرطوبة عن طريق امتصاص الرطوبة الزائدة من البيئة.
في السنوات الأخيرة، تزايد الاهتمام باستخدام الذكاء الاصطناعي لتحسين الظروف البيئية، بما في ذلك مستويات الرطوبة، في عنابر الدواجن. يستطيع الذكاء الاصطناعي تحليل بيانات درجة الحرارة والرطوبة والعوامل البيئية الأخرى لتحديد الأنماط وإجراء تعديلات آنية على أنظمة التهوية وغيرها من أدوات التحكم. يُساعد هذا في ضمان مستويات رطوبة مثالية وتحسين صحة الطيور وإنتاجيتها. بشكل عام، يضمن التحكم في مستويات الرطوبة في حظائر الدواجن صحة الطيور وإنتاجيتها. يُساعد استخدام أنظمة التهوية والمواد الماصة في الحفاظ على مستويات رطوبة مثالية، بينما تُساعد تقنية الذكاء الاصطناعي في تحسين الظروف البيئية لحظيًا (الشكل 2).
التهوية
تُعدّ التهوية السليمة أمرًا أساسيًا للحفاظ على جودة هواء مثالية وتقليل خطر الإصابة بأمراض الجهاز التنفسي في مزارع الدواجن. يُساعد الذكاء الاصطناعي في مراقبة أنظمة التهوية والتحكم فيها، لضمان عملها بفعالية. تستطيع المستشعرات قياس جودة الهواء، ودرجة الحرارة، والرطوبة، ومستويات ثاني أكسيد الكربون.
وبعد ذلك، تُحلل خوارزميات الذكاء الاصطناعي البيانات المُجمعة من نظام التهوية. وهذا يُحسّن جودة الهواء، ويُقلّل استهلاك الطاقة، ويزيد الإنتاجية.
أظهرت الأبحاث أن التحكم في التهوية القائم على الذكاء الاصطناعي يُمكن أن يُقلّل مستويات الأمونيا وثاني أكسيد الكربون في مزارع الدواجن، ويُحسّن صحة الطيور ورفاهيتها. بالإضافة إلى ذلك، يُمكن للذكاء الاصطناعي اكتشاف أعطال أنظمة التهوية أو توقفها وتنبيه المزارعين إليها، مما يُتيح إجراء الإصلاح والصيانة الفورية. وهذا يُساعد في منع تراكم الغازات الضارة، ويُحسّن السلامة العامة للمزرعة. يُمكن أن يُحسّن استخدام الذكاء الاصطناعي في مزارع الدواجن إدارة التهوية، مما يُحسّن جودة الهواء، وصحة الحيوان ورفاهيته، وإنتاجية المزرعة.
رطوبة الفرشة
يُعد التحكم في رطوبة الفرشة أمرًا بالغ الأهمية للحفاظ على صحة الدواجن ورفاهيتها. يمكن أن تؤدي الرطوبة في مادة الفرشة إلى زيادة خطر نمو البكتيريا، وأمراض الجهاز التنفسي، والتهاب باطن القدم. يمكن للذكاء الاصطناعي المساعدة في مراقبة وإدارة مستويات الرطوبة في مادة الفرشة. وإحدى طرق مراقبة مستويات الرطوبة هي استخدام أجهزة استشعار مدمجة في مادة الفرشة. يمكن لهذه الأجهزة جمع البيانات حول مستويات الرطوبة وإرسالها إلى نظام ذكاء اصطناعي قادر على تحليل البيانات وضبط أنظمة التهوية والتدفئة وفقًا لذلك. بالإضافة إلى ذلك، تُستخدم أجهزة الاستشعار البيئية بشكل أساسي لمراقبة الظروف البيئية، أي درجة الحرارة والرطوبة وجودة الهواء، لتوفير الظروف المناسبة لتحقيق كفاءة عالية في إنتاج الدواجـن.
ومن المهم أن ننوه إلى أن عدم كفاية درجة الحرارة والرطوبة النسبية وطول فترة التعرض يؤثر بشكل كبير على صحة دجاج التسمين ونفوقهم وأدائهم. علاوة على ذلك، فإن التعرض لمستويات مرتفعة من الغازات الضارة، مثل ثاني أكسيد الكربون والأمونيا، يمكن أن يقلل من الوزن، ومعدل تحويل العلف، وحيوية الطيور، وخسارة الأرباح في صناعة الدواجن (الشكل 3).
وهناك نهج آخر يتمثل في استخدام خوارزميات التعلم الآلي لتحليل البيانات المتعلقة بسلوك الدواجن فيما يتعلق بمستويات الرطوبة في مادة الفرشة. على سبيل المثال، استخدمت دراسة أجراها ريكو-كونتريراس وآخرون (2017) خوارزميات التعلم الآلي للتنبؤ بسلوك دجاج التسمين بناءً على البيانات البيئية، بما في ذلك مستويات الرطوبة في مادة الفرشة.
تحديد أعمار الدواجن
يُعد تحديد أعمار الدواجن مهمةً بالغة الأهمية في التربية والرعاية، إذ يُمكّن المزارعين من اتخاذ قراراتٍ مدروسة بشأن التغذية والتحصينات والذبح. قد تكون طرق تحديد الأعمار التقليدية، مثل الفحص البصري والوزن، مُستهلكةً للوقت وغير دقيقة. ويُمكن للذكاء الاصطناعي أن يُوفر حلاً أكثر كفاءةً ودقةً لهذه المشكلة. فقد تم تدريب خوارزميات التعلم الآلي على مصادر بيانات مُختلفة، مثل صور الطيور وأصواتها وحركاتها، للتنبؤ بأعمارها بدقة. فعلى سبيل المثال، استخدمت إحدى الدراسات خوارزميات التعلم العميق على صور دجاج التسمين للتنبؤ بأعمارها. ويُمكن أن يُحدث تحديد الأعمار القائم على الذكاء الاصطناعي ثورةً في صناعة الدواجن من خلال تزويد المزارعين بمعلومات دقيقة وفي الوقت المُناسب عن أعمار طيورهم. وهذا يُمكن أن يُؤدي إلى ممارساتٍ إداريةٍ أفضل، وتحسين رعاية الحيوانات، وزيادة الإنتاجية.
الأمراض
يمكن استخدام الذكاء الاصطناعي للكشف عن أمراض الدواجن وتشخيصها. من خلال تحليل البيانات من مصادر مختلفة، مثل درجة حرارة الجسم والحركة والأصوات، يمكن لخوارزميات الذكاء الاصطناعي اكتشاف علامات المرض قبل ظهور الأعراض الجسدية للقائمين على الرعاية. يمكن أن يساعد هذا الكشف المبكر في منع انتشار المرض وتحسين فعالية العلاجات. بالإضافة إلى ذلك، يمكن للذكاء الاصطناعي التنبؤ بتفشي الأمراض من خلال تحليل أنماط الطقس والتركيبة السكانية للقطيع وعوامل أخرى قد تساهم في انتشار المرض. من خلال تحديد عوامل الخطر واتخاذ التدابير الوقائية، يمكن للمزارعين تقليل احتمالية تفشي الأمراض والحد من آثارها عند حدوثها.
وأخيرًا، يمكن استخدام الذكاء الاصطناعي لتطوير علاجات ولقاحات جديدة لأمراض الدواجن. من خلال تحليل البيانات الجينية وتحديد أنماط تطور الأمراض، يمكن لخوارزميات الذكاء الاصطناعي مساعدة الباحثين على تطوير علاجات مُستهدفة واتخاذ تدابير وقائية أكثر فعالية من الطرق التقليدية (الشكل 4). و قد قدمت إحدى المقالات العلمية مراجعة شاملة لاستخدام تطبيقات إنترنت الأشياء (IoT) المُدعّمة بالذكاء الاصطناعي في إدارة صحة الدواجن ورفاهيتها. ويُركز البحث العلمي حاليا على رفاهية الدواجن، حيث تواجه صناعة الدواجن تحديات في تقييم معايير الرفاهية وتطبيق أنظمة مراقبة فعّالة، لا سيما فيما يتعلق بصحة دجاج التسمين والوقاية من الأمراض. تُسلّط المقالات والأبحاث العلمية الضوء على إمكانات التقنيات الرقمية الحديثة في أتمتة عمليات إدارة الدواجن، مما يؤدي إلى إنتاج فعال من حيث التكلفة والجودة. تدرس الدراسات والأبحاث بشكل منهجي أحدث أنظمة إنترنت الأشياء المُدعّمة بالذكاء الاصطناعي والتطورات الحديثة التي شهدتها صناعة الدواجن. كما تُحدد أهم تطبيقات التقنيات الرقمية في إدارة رعاية الدواجن. وأخيرًا، تُناقش المقالات والأبحاث تحديات وفرص الذكاء الاصطناعي وإنترنت الأشياء في تربية الدواجن.
الصور
يمكن استخدام الذكاء الاصطناعي لتحديد أمراض الدواجن من خلال الصور. تعتمد هذه التقنية على الرؤية الحاسوبية، وتتضمن تدريب نموذج تعلم آلي للتعرف على الأنماط في صور الدواجن المصابة بأمراض مختلفة. على سبيل المثال، يُعد الكشف المبكر عن أمراض الدواجن أمرًا بالغ الأهمية لمنع تفشي الأمراض على نطاق واسع وتقليل الخسائر الاقتصادية. تركز الدراسات على المراقبة الفورية للحالة الصحية للدواجن باستخدام معالجة الصور الرقمية وخوارزميات التعلم الآلي. قورنت دجاجات اللحم السليمة بدجاجات اللحم المصابة بفيروس إنفلونزا الطيور من خلال التلقيح اليدوي. تم الحصول على صور لدجاجات اللحم، وطُوّرت خوارزميات لاستخراج معلوماتها الخارجية والهيكلية. ثم استُخرجت سمات وضعية الطيور باستخدام خوارزمية مُعدّة مسبقًا، واستُخدمت خوارزميات التعلم الآلي لتحليل الحالة الصحية لدجاجات اللحم والتنبؤ بها. أظهرت النتائج التجريبية معدلات دقة عالية، حيث تفوق نموذج آلة المتجهات الداعمة (SVM) على الخوارزميات الأخرى بنسبة دقة بلغت 99.469% في عينات الاختبار. نجحت الخوارزميات المقترحة في فصل دجاج التسمين عن البيئة المحيطة، واستخلاص معلومات وضعية الدجاج، وتحديد حالته الصحية بدقة. وأظهرت عمليات الصور الرقمية وتقنيات التعلم الآلي دقةً واستقرارًا وتعميمًا عاليًا، مما وفر إشارات إنذار مبكرة لحالة دجاج التسمين الصحية. ويُعدّ ذلك مرجعًا للتحديد الذكي لحالة دجاج التسمين الصحية في المستقبل.
وبالمثل، استخدمت دراسة أخرى خوارزميات التعلم الآلي لتحليل صور الدجاج المصاب بمرض ماريك، وهو مرض فيروسي يُسبب أورامًا في الدواجن. واستطاع النموذج تحديد الطيور المصابة بدقة بنسبة دقة تزيد عن 90%.
تُظهر هذه الدراسات إمكانات الذكاء الاصطناعي في تحديد أمراض الدواجن من خلال الصور، مما يُساعد المزارعين والأطباء البيطريين على تشخيص وعلاج أمراض الدواجن بسرعة ودقة. ويمكن لتقنيات التعلم العميق هذه، وتحديدًا نموذج الشبكة العصبية التلافيفية العميقة (CNN)، الكشف المبكر عن أمراض الدواجن الشائعة مثل الكوكسيديا والسالمونيلا والنيوكاسل. غالبًا ما لا تُكتشف هذه الأمراض بسبب محدودية الوصول إلى خدمات الدعم الزراعي. جمعت إحدي الدراسات 1255 صورة براز مُعَلَّمة مختبريًا و6812 صورة براز مُعَلَّمة من المزارع، واستخدمت عدة نماذج CNN مختلفة لتصنيف صور البراز السليمة وغير السليمة. أدى ضبط النماذج إلى تحسين الدقة، مع التوصية في النهاية باستخدام نموذج MobileNetV2 نظرًا لوزنه الخفيف وقدرته على التعميم بشكل أفضل.
الفيديو
يُعد الكشف المبكر عن أمراض الدواجن أمرًا بالغ الأهمية لأسباب متعددة، منها الأثر الاقتصادي، ورعاية الحيوان، وسلامة الغذاء، والوقاية من العدوى الحيوانية. قدمت إحدي الدراسات نظام مراقبة قائم على الرؤية الآلية لدجاج اللحم أثناء تحركه في منطقة مُحددة. رُصدت مجموعتان من دجاج اللحم: مجموعة ضابطة (كنترول) ومجموعة معاملة مُلقحة بفيروس مرض نيوكاسل. رُصدت دجاجات اللحم باستخدام المراقبة بالفيديو لتصنيف البيانات، وكاميرا عمق لتصنيف الحالة الصحية آليًا. وقد استُخرجت متغيرات السمات بناءً على أوصاف شكل الوضعية ثنائية الأبعاد (تباين الدائرة، الاستطالة، التحدب، التعقيد، والانحراف) وسمات الحركة (سرعة المشي). كشف التحليل الإحصائي أن جميع السمات التي خضعت للدراسة كانت ذات دلالة إحصائية (P < 0.05) في مجموعة المعاملة بمرور الوقت بعد الإصابة. أظهر تباين الدائرة واستطالتها الكشف المبكر عن العدوى في اليوم الرابع، بينما وفّرت الانحرافات وسرعة المشي الكشف في اليوم السادس. بناءًا علي ذلك فقد طُوّر مُصنِّفان يعتمدان على مُوصوفات الوضعية والشكل المُدمجة وجميع مُتغيرات السمات. تفوّق نموذج آلة دعم المتجهات (RBF-SVM) على غيره، مُحققًا دقة 0.975 و0.978 على التوالي. يُوفر نظام مُراقبة دجاج التسمين الآلي المُقترح إنذارًا مُبكرًا مُستمرًا وغير تدخلي، ويُتنبأ بحدوث المرض.
تقترح دراسة بحثية نموذج تعلّم عميق قائم على "النظرة لمرة واحدة فقط" (YOLOv5) للكشف التلقائي عن الدجاج، وعدّه، وتتبعه فرديًا وجماعيًا في قطعان الدواجن. يعالج النموذج تحديات مثل الخلفيات المعقدة، وظروف الإضاءة المتغيرة، والانسدادات الناتجة عن محطات التغذية والمياه. ويتضمن ميزة متعددة المقاييس ووحدات رسم خرائط لتحسين دقة التتبع. تم تدريب النموذج واختباره على مجموعة بيانات، مما أظهر دقة تتبع مُحسّنة. يستخدم النموذج مرشح كالمان لتتبع دجاجات متعددة في وقت واحد، وربط الأفراد عبر إطارات الفيديو للتطبيقات الفورية وعبر الإنترنت. يتفوق النموذج المقترح في الكشف عن الدجاج وسط تداخل الخلفية، وعدّه بدقة، وتتبع حركته، وقياس مساره واتجاهه. يتيح ذلك المراقبة المستمرة لسلوك الدجاج في المزرعة، بما في ذلك الوقوف على الطيور النافقة، والمشي، والتفاعل الاجتماعي، واستكشاف البيئة، مما يوفر رؤى قيّمة حول سلوكياته الطبيعية. تُؤكد الدراسة على إمكانات نموذج ChickTrack كأداة رقمية لتعزيز ممارسات تربية الدواجن القائمة على العلم وتحسين رعاية الدجاج في المزارع. ويُمكن استخدام تقنيات الذكاء الاصطناعي والرؤية الحاسوبية لتحديد أمراض الدواجن من خلال الفيديو. ومن بين الأساليب المتاحة استخدام نماذج التعلم العميق، مثل الشبكات العصبية التلافيفية (CNNs)، لتصنيف أمراض الدواجن بناءً على الأعراض البصرية.
يتطلب تطوير مثل هذا النظام مجموعة بيانات كبيرة من مقاطع الفيديو المُعَلَّمة للدواجن السليمة والمريضة. يمكن التقاط هذه المقاطع باستخدام كاميرات مُثبَّتة في مزارع الدواجن أو أثناء عمليات التفتيش البيطرية. يجب أن تلتقط مقاطع الفيديو زوايا وظروف إضاءة مختلفة لزيادة تنوع مجموعة البيانات. بمجرد جمع مجموعة البيانات، يُمكن تدريب نموذج CNN والتحقق من صحته. يجب تصميم النموذج لاستخراج السمات ذات الصلة من إطارات الفيديو وتصنيفها إلى فئات أمراض مختلفة. يمكن استخدام التعلم بالنقل للاستفادة من نماذج CNN المُدرَّبة مُسبقًا، مثل VGG أو ResNet أو Inception، لتحسين أداء نموذج تصنيف الأمراض. يمكن نشر النظام كتطبيق ويب أو جوال، مما يسمح للمزارعين أو الأطباء البيطريين بتحميل مقاطع فيديو للدواجن لتشخيص الأمراض. بعد ذلك، يُعالج النظام الفيديو ويُزوِّد المستخدم بتوصيات التشخيص والعلاج. أصبح تحديد أمراض الدواجن من خلال الفيديو باستخدام الذكاء الاصطناعي موضوعًا بحثيًا شائعًا بشكل متزايد في السنوات الأخيرة. يتمتع الذكاء الاصطناعي بالقدرة على توفير طريقة فعالة ودقيقة للكشف عن الأمراض في قطعان الدواجن، مما قد يساعد في منع الخسائر الاقتصادية وتحسين رعاية الدواجن.
الصوت
تعتمد طريقة الكشف عن جنس الكتاكيت من خلال أصواتها، وتمييز الجنس أمر بالغ الأهمية لتربية الدواجن بكفاءة. وتُستخدم تقنيات التعلم العميق لتصنيف أصوات الكتاكيت وتحديد جنسها. تدرس الدراسة ثلاثة أنواع من الكتاكيت، وتُقارن ثلاث سمات صوتية: Spectrogram، وCepstrogram، وMFCC+Logfbank. تُعدّ هذه السمات مدخلات لخمسة أنواع من الشبكات العصبية: CNN، وGRU، وCRNN، وTwoStream، وResNet-50. ومن خلال تجارب المقارنة المتقاطعة، حققت شبكة ResNet-50 المُدربة باستخدام سمات الصوت MFCC+Logfbank دقة اختبار بنسبة 83% لنداءات الكتاكيت. بينما حققت شبكة GRU المُدربة باستخدام سمات الصوت Spectrogram أعلى دقة بنسبة 76.8% لنداءات الكتاكيت المحلية. بالمقارنة، تحقق شبكة ResNet-50 المُدربة بخصائص Spectrogram الصوتية أعلى دقة بنسبة 66.56% لنداءات فراخ الأصفر الكتاني. يتم الكشف عن نداءات متعددة من كل فرخ، وتُستخدم طريقة التصويت بالأغلبية لتحديد الجنس. عند الكشف عن جنس الفراخ صفراء، تحقق شبكة ResNet-50 دقة في الكشف عن الجنس بنسبة 95%. بالنسبة للكتاكيت المحلية، تستخدم شبكة GRU خصائص Spectrogram وخصائص Spectrogram، بينما تستخدم شبكة CRNN خصائص Spectrogram لتحقيق دقة في الكشف عن الجنس بنسبة 90%. عند الكشف عن جنس فراخ الأصفر الكتاني، حققت شبكة Twostream المُدربة بخصائص MFCC+Logfbank وشبكة ResNet-50 المُدربة بخصائص Spectrogram دقة بنسبة 80%. تُبرز النتائج اختلافات كبيرة في الجنس بين نداءات الكتاكيت عبر السلالات المختلفة. تُظهر هذه الطريقة قابلية تطبيق أفضل على الكتاكيت الصفراء مقارنةً بالكتاكيت المحلية والأصفر الكتاني. علاوة على ذلك، تنخفض الدقة عند تحديد جنس الكتاكيت من سلالات غير مدرجة في بيانات التدريب.
طبّق مجموعة من الباحثين عام 2015 طريقة ذكية للكشف عن تحديد وتصنيف الدجاج المصاب ببكتيريا كلوستريديوم بيرفرينجنز من النوع أ، استنادًا إلى الأصوات. قُسِّمت مجموعتان من الدجاج في أقفاص منفصلة. في اليوم الرابع عشر، تم تطعيمها ببكتيريا كلوستريديوم بيرفرينجنز من النوع أ. أُعطيت لقاحات لمنع الأمراض الثانوية من التأثير على أنماط الأصوات. سُجِّلت أصوات الدجاج يوميًا لمدة 30 يومًا في ظل ظروف مُراقبة، واستُخرجت 23 سمة من الإشارات الصوتية. استُخدم تحليل فيشر التمييزي (FDA) لاختيار أهم خمس سمات. وقد تم التدريب بنية التعرف على أنماط الشبكة العصبية (NNPR) ذات طبقة مخفية واحدة لاكتشاف وتصنيف الدجاج السليم وغير السليم.
حققت الشبكة العصبية دقة تصنيف بلغت 66.6% في اليوم السادس عشر و100% في اليوم الثاني والعشرين، مما يُظهر فعاليتها في تشخيص أمراض الدجاج. في دراسة أجراها مجموعة من الباحثين عام 2021، تم تسجيل أصوات الأبقار والدجاج البياض بالصوت والصورة. وقسموا أصوات الأبقار إلى تسعة تصنيفات، وأصوات الدجاج البياض إلى ثماني فئات. ويستخدم إنشاء نماذج الشبكة العصبية التلافيفية (CNN) تسجيلات صوتية مصنفة. وتم بناء وتقييم بنيتين من شبكات CNN - إحداهما مبنية على شبكة ConVnet ثنائية الأبعاد والأخرى على نموذج أحادي البعد بذاكرة طويلة المدى - لتصنيف أصوات الدجاج البياض والماشية. وتقترح دراسة أخرى حلاً قائمًا على التعلم العميق باستخدام الشبكات العصبية التلافيفية (CNN) للتنبؤ بتصنيف براز الدجاج. يتفوق نموذج XceptionNet على النماذج الأخرى في جميع المقاييس، بدقة تحقق تبلغ 94% باستخدام التدريب المسبق. وتأتي شبكة CNN المُدربة بالكامل في المرتبة الثانية، إلا أن طريقة XceptionNet المُدربة مسبقًا تتمتع بأعلى دقة تنبؤ.
قدّم باحثون عام 2022 شبكة النطق العميق للدواجن (DPVN) للكشف المبكر عن مرض نيوكاسل (ND) باستخدام النطق الصوتي للدواجن. تستخدم الطريقة الطرح الطيفي متعدد النوافذ وترشيح الترددات العالية لتقليل الضوضاء. حققت الطريقة دقة عالية، واستدعاءً، ودرجة F1 بلغت 98.50%، و96.60%، و97.33% على التوالي، مع دقة خلال الأيام الأول والثاني والثالث والرابع بعد الإصابة. بشكل عام، تُظهر هذه الدراسات إمكانات الأساليب القائمة على الذكاء الاصطناعي في تحديد وتشخيص أمراض الدواجن من خلال تحليل الصوت، مما قد يساعد المزارعين والأطباء البيطريين على اكتشاف الأمراض وعلاجها بسرعة وفعالية أكبر.
حركة الطيور وشكلها
يُعدّ تحديد أمراض الدواجن من خلال حركة الطيور وشكلها بمساعدة الذكاء الاصطناعي موضوعًا بحثيًا حديثًا. وقد بحثت العديد من الدراسات في إمكانية استخدام تقنيات الرؤية الحاسوبية والتعلم الآلي للكشف عن حركات الطيور ووضعياتها المرتبطة بأمراض مختلفة وتصنيفها. على سبيل المثال، ُقدّمت إحدي الدراسات عام 2022 مخططًا لتحديد سلوك دجاج التسمين باستخدام تقنية كشف الأجسام والشبكات العصبية الاصطناعية القائمة على التكرار.
يتضمن النهج المقترح استخدام نموذج YOLOv4 مُدرّب لكشف الأجسام لتحديد أجزاء مُحددة من دجاج التسمين، وبناء هيكل عظمي للدجاج بناءً على هذه الأجزاء، واستخراج الزاوية بين متجهات ارتكاز العمود الفقري. بعد ذلك، يتم الكشف عن سلوك دجاج التسمين من خلال شبكة ذاكرة طويلة المدى (LSTM) قائمة على السلاسل الزمنية. تم التحقق من صحة المخطط في الهواء الطلق، محققًا متوسط دقة، ومتوسط تذكر، ودرجة F1 بنسبة 82% و81% و81% على التوالي. بالإضافة إلى ذلك، تناقش الورقة البحثية وتُحلل مقارنة الأداء باستخدام شبكة مُدركات متعددة الطبقات (MLP) بالتزامن مع نموذج YOLOv4. بشكل عام، تُظهر هذه الدراسات إمكانية استخدام تقنيات الذكاء الاصطناعي والرؤية الحاسوبية لتحديد أمراض الدواجن من خلال حركة الطيور وشكلها. من خلال أتمتة عملية الكشف، يمكن لهذه التقنيات أن تُساعد في تحسين كفاءة ودقة تشخيص الأمراض، مما يُسهم في نهاية المطاف في الصحة العامة لمجموعات الدواجن ورفاهيتها.
استخدام المستشعرات في الذكاء الاصطناعي
تلعب المستشعرات دورًا محوريًا في الذكاء الاصطناعي من خلال توفير البيانات للخوارزميات التي تُشغّل أنظمة الذكاء الاصطناعي.
تستطيع المستشعرات التقاط بيانات من العالم المادي، مثل درجة الحرارة والضغط والحركة والضوء، وتحويلها إلى إشارات رقمية تُحللها خوارزميات الذكاء الاصطناعي. يمكن استخدام هذه البيانات لتدريب نماذج التعلم الآلي، ووضع التنبؤات، والتحكم في الإجراءات آنيًا.
تُستخدم أنواع عديدة من المستشعرات في الذكاء الاصطناعي، بما في ذلك الكاميرات، والميكروفونات، والجيروسكوبات، ومستشعرات درجة الحرارة، ومستشعرات الضغط، وغيرها. ويمكن دمج هذه المستشعرات في الهواتف الذكية، والأجهزة القابلة للارتداء، والطائرات بدون طيار، وأنظمة المنازل الذكية، مما يسمح لخوارزميات الذكاء الاصطناعي بتحليل البيانات واتخاذ القرارات بناءً على تلك المعلومات.
ومن الأمثلة على استخدام المستشعرات في الذكاء الاصطناعي المركبات ذاتية القيادة. تجمع أجهزة الاستشعار، مثل الليدار والرادار والكاميرات، بياناتٍ حول محيط المركبة، بما في ذلك المركبات الأخرى والمشاة وحالة الطريق. تُعالج خوارزميات الذكاء الاصطناعي هذه البيانات للتحكم في سرعة المركبة واتجاهها وحركاتها الأخرى، مما يسمح لها بالتنقل بمفردها بأمان.
ومثالٌ آخر على ذلك هو قطاع الرعاية الصحية، حيث تُراقب أجهزة الاستشعار العلامات الحيوية للمرضى وتنبيه مقدمي الرعاية الصحية إلى أي مشاكل محتملة. تُراقب أجهزة الاستشعار القابلة للارتداء معدل ضربات قلب المريض وضغط دمه ومقاييس أخرى، وتُحلل خوارزميات الذكاء الاصطناعي البيانات لتحديد الأنماط والتنبؤ بالمشاكل الصحية المحتملة. بشكل عام، تُعدّ أجهزة الاستشعار عنصرًا أساسيًا في الذكاء الاصطناعي، إذ تُمكّن أنظمة الذكاء الاصطناعي من جمع وتحليل البيانات من العالم المادي واتخاذ القرارات بناءً على تلك المعلومات. وقد ازداد استخدام أجهزة الاستشعار في تحديد أمراض الدواجن من خلال الذكاء الاصطناعي. يُمكن لأجهزة الاستشعار، مثل الكاميرات ومقاييس التسارع وأجهزة تحديد المواقع العالمية (GPS)، جمع بيانات حول حركة الطيور ونشاطها وموقعها، والتي يُمكن لخوارزميات الذكاء الاصطناعي تحليلها بعد ذلك للكشف عن علامات المرض أو النفوق. تناول مجموعة من الباحثين عام 2021 مسألة الفحص اليدوي لتحديد الدجاج النافق والمريض في المزارع، من خلال اقتراح طريقة كشف استشعارية تعتمد على الذكاء الاصطناعي. تتضمن الطريقة قياس أقصى إزاحة لنشاط الدجاج باستخدام حلقات القدم، وحساب التباين الكلي ثلاثي الأبعاد الذي يمثل شدة النشاط. يجمع جهاز كشف بيانات الاستشعار من حلقات القدم عبر شبكة زيجبي ZigBee. ثم تُستخدم خوارزميات التعلم الآلي لتحديد حالة الدجاج (نافق أو مريض). يحقق دمج هذه الطريقة بين الذكاء الاصطناعي وشبكات الاستشعار معدل تمييز عالٍ مع خفض تكاليف التشغيل. تُظهر النتائج العملية دقة بنسبة 95.6% في تحديد الدجاج النافق والمريض، مع انخفاض في التكلفة بنسبة 25% مقارنةً بالعمليات اليدوية على مدى أربع سنوات.
استكشفت دراسات أخرى استخدام أجهزة الاستشعار مع تقنيات أخرى، مثل التصوير الحراري، لتحديد أمراض محددة. على سبيل المثال، استخدمت إحدى الدراسات التصوير الحراري وخوارزميات التعلم الآلي للكشف عن فيروس إنفلونزا الطيور في الدجاج. بشكل عام، أظهر استخدام أجهزة الاستشعار مع خوارزميات الذكاء الاصطناعي نتائج واعدة في الكشف عن أمراض الدواجن وتشخيصها، مما قد يسمح بالتدخل المبكر والوقاية من تفشيها.
الروبوتات في مزارع الدواجن
تُستخدم الروبوتات في مزارع الدواجن في تطبيقات متنوعة، مثل التغذية الآلية، وجمع البيض، والتحكم البيئي. على سبيل المثال، تستطيع الروبوتات جمع البيض من الدجاج ونقله إلى موقع مركزي. كما يمكنها مراقبة سلوك الطيور، ودرجة حرارتها، ورطوبتها في حظيرة الدواجن. علاوة على ذلك، يمكن للروبوتات المساعدة في تنظيف حظيرة الدواجن، مما يقلل من خطر انتقال الأمراض بين الطيور (الشكل 5).
قدّم مجموعة من الباحثين في عام 2020 مراجعة شاملة لأبحاث الروبوتات الزراعية، مُسلّطين الضوء على قدرات الآلات التي تُمكّن من الأتمتة الذكية لمختلف تطبيقات المزارع. ينصب التركيز على أنظمة الأتمتة الذكية الزراعية، وخاصةً في إنتاج الدواجن. تُظهر المراجعة أن معظم الأبحاث في مجال الروبوتات الزراعية ركّزت على الإدراك والاستدلال، مثل تحديد الكائنات، وتقييم جودة المنتج، ومراقبة النمو.
ومع ذلك، هناك عدد محدود من الأبحاث المنشورة حول تنفيذ المهام وتكامل الأنظمة. كما ويُصنّف الروبوتات الزراعية إلى وظيفتي المراقبة والحصاد، أو كليهما. تم تحديد العديد من التحديات في أتمتة المهام الزراعية، بما في ذلك إنتاج الدواجن، مثل المراقبة البيئية، وتقييم الصحة، وجمع البيض. وسُلط الضوء على أمثلة للحلول الروبوتية لإنتاج الدواجن، بما في ذلك روبوت OPS لتعقيم حظائر الدواجن، وروبوت Poultry لجمع البيض، وSpoutnic لتدريب الدجاج.
للروبوتات في تربية الدواجن فوائد عديدة، منها زيادة الإنتاجية، وخفض تكاليف العمالة، وتحسين رعاية الحيوانات. يمكن للروبوتات أن توفر للمزارعين الوقت والمال من خلال أتمتة مهام جمع البيض وتنظيفه. علاوة على ذلك، يمكن أن يقلل استخدام الروبوتات من الحاجة إلى العمالة البشرية، وهو أمر مفيد بشكل خاص عند وجود نقص في العمالة. ووفقًا لدراسة أجريت عام2023، اقترحت هذه الدراسة نموذج YOLOv5s مُحسّنًا للكشف عن بيض البط في ظروف مختلفة باستخدام منصة روبوت متنقلة مُطورة ذاتيًا. يتضمن النموذج العديد من التحسينات، بما في ذلك استبدال شبكة استخراج الميزات الأساسية بـ MobileNetV3 لتحسين السرعة، وإدخال آلية انتباه NAM للتركيز على المعلومات العالمية، واستخدام شبكتي GSConv وBiFPN في عظام الرقبة لتحقيق دمج فعال للميزات متعددة المقاييس. وتُستخدم خوارزمية Soft-CIoU-NMS كدالة خسارة في المربع المحيط لتحسين اكتشاف الانتاج المكثف من بيض البط. وتُظهر النتائج التجريبية أن النموذج المُحسّن يحقق دقة عالية، ومعدلات استرجاع، وقيمة mAP مقارنةً بالإصدار السابق.
لدى الروبوتات القدرة على إحداث ثورة في تربية الدواجن من خلال زيادة الإنتاجية، وخفض تكاليف العمالة، وتحسين رعاية الحيوانات. مع تقدم التكنولوجيا، من المرجح أن نشهد المزيد من الروبوتات قيد التطوير والاستخدام في تربية الدواجن. ومع ذلك، هناك حاجة إلى مزيد من البحث لتحديد التأثير طويل المدى للروبوتات على إنتاج الدواجن، ومعالجة أي مخاوف تتعلق برعاية الحيوانات وهجرة العمال.
في الختام، أثبت استخدام الذكاء الاصطناعي والروبوتات في صناعة الدواجن فعاليته كأداة قيّمة في تحسين صحة وإنتاجية قطعان الدواجن. فباستخدام الذكاء الاصطناعي والتعلم الآلي، يُمكن تحديد أمراض الدواجن مبكرًا، مما يُتيح العلاج الفوري والحد من انتشار العدوى. كما أتاح استخدام أجهزة الاستشعار والكاميرات المُثبتة على الروبوتات مراقبة بيئة الدواجن، مما يضمن ظروفًا مثالية للنمو والتطور. علاوة على ذلك، زاد استخدام الروبوتات من كفاءة تربية الدواجن من خلال خفض تكاليف العمالة وتحسين الدقة في مهام مثل التغذية وجمع البيض. ويمكن لإمكانات الأتمتة وتحليل البيانات من خلال الذكاء الاصطناعي والروبوتات أن تُحدث ثورة في صناعة الدواجن، مما يؤدي إلى زيادة الربحية والاستدامة. بشكل عام، على الرغم من استمرار وجود تحديات تتعلق بالتكلفة والتنفيذ، إلا أن فوائد استخدام الذكاء الاصطناعي والروبوتات في تربية الدواجن واضحة. يُعدّ البحث والتطوير المستمر في هذا المجال أمرًا بالغ الأهمية لإطلاق العنان للإمكانات الكاملة لهذه التقنيات في صناعة الدواجن.
المراجع
Taleb Hassan, Khalid Mahrose, Abdel-Halim Amal, Kasem Hebatallah, Ramadan Gomaa, Fouad Ahmed, Khafaga, Asmaa, Khalifa Norhan, Kamal Mahmoud, Heba Salem, Abdulmohsen Alqhtani, Ayman Swelum, Anna Arczewska-Włosek, Sylwester Świątkiewicz, Mohamed Abd El-Hack (2025). Using Artificial Intelligence to Improve Poultry Productivity - A Review. Annals of Animal Science, 2025, 25(1), pp. 23–33.